Kinesiska hamsteräggstocksceller (CHO) används i stor utsträckning som värdsystem för att producera terapeutiska proteiner på grund av deras gynnsamma egenskaper. CHO-celler har förmågan att utföra människoliknande posttranslationella modifieringar, såsom glykosylering, vilka är avgörande för att säkerställa effektiviteten, stabiliteten och den övergripande kvaliteten hos biofarmaceutiska produkter. I detta projekt tillämpades beräkningsmetoder för att matematiskt modellera produktionen av monoklonala antikroppar av CHO-celler, samt för att undersöka effekten av att införliva olika metaboliska nätverk och använda experimentella data från olika odlingsmetoder på modelleringsresultaten. Kodbiblioteket och experimentella data erhölls från KTH CETEG-forskargruppen. Förbehandlingen av experimentella data och inmatningen av metaboliska nätverk utfördes med hjälp av Excel, och programkörningen och resultatvisualiseringen uppnåddes med hjälp av MATLAB och Excel. Analysresultaten visade förbättringar och begränsningar som uppnåddes genom att lägga till kofaktorer till det metaboliska nätverket. Missmatchningen mellan simulerings- och experimentella resultat används för att utvärdera modelleringens precision. Två kombinationer av kofaktorer som ska läggas till i det metaboliska nätverket erhålls genom småskalig modellering och valideras genom modellering av fullskalig perfusion, fed-batch och pseudoperfusionsdata.

Chinese Hamster Ovary (CHO) cells are widely utilized as host systems to produce therapeutic proteins due to their favorable characteristics. Notably, CHO cells possess the capability to carry out human-like post-translational modifications, such as glycosylation, which are essential for ensuring the efficacy, stability, and overall quality of biopharmaceutical products. In this project, computational methods were applied to mathematically model the production of monoclonal antibodies by CHO cells, as well as to investigate the impact of incorporating different metabolic networks and using experimental data from different culture modes on the modeling results. The code library and experimental data were obtained from the KTH CETEG research group. The preprocessing of experimental data and the input of metabolic networks were performed using Excel, and the program execution and result visualization were achieved using MATLAB and Excel. The analysis results showed that the improvement and limitations obtained by adding cofactors to the metabolic network. The mismatch between simulation and experimental results is used to evaluate precision of modeling. Two combinations of cofactors to be added in the metabolic network are obtained by small-scale modeling, and are validated through modeling full-scale perfusion, fed batch and pseudo perfusion data.